摘要
近年来，日益增长的能源需求和逐步减少的能源储备之间的问题，引起了社区、政府和研究人员的广泛关注。非侵入式负荷监测技术能够帮助用户了解各种家用负荷的信息，从而更好地实现电力管理，避免能源浪费。在非侵入式负荷监测中，负荷识别是至关重要的技术，传统的非侵入式负荷识别的精度依赖于所选择的特征，主观成分大，存在局限性。近年来新发展起来的深度学习方法在分类识别领域中表现出了优越的性能，因此本文提出了两种改进的深度学习方法对非侵入式负荷进行识别研究，主要工作和创新点如下: (1)针对传统的负荷识别方法计算量大、特征选择困难等问题，提出了基于改进YOLOv5s的NILM单标签负荷识别方法。该方法首先提取一个稳态周期的电压和电流，生成二维V-I轨迹图像，并对其进行标注;其次在YOLOv5s网络中融入了坐标注意力机制和加权双向特征金字塔网络，从水平和竖直方向上聚合特征，获得精确的位置信息和更好的平衡不同尺度的特征信息。最后通过实验结果验证了所提方法具有较快的识别速度和较高的识别精度。 (2)针对多标签负荷特征选择主观成分大，提出一种基于LSTM-1DCNN的非侵入式多标签负荷识别方法。首先将负荷电流信号划分为五个网格，每个网格包含10个周期，增加模型的训练样本数;其次利用一维卷积神经网络提取电流序列更深层次的特征;最后利用长短期记忆神经网络控制输入、输出和过去信息的筛选，提升多标签负荷识别精度。实验结果表明了所提出方法有效可行。
NETL